基于BP神經(jīng)網(wǎng)絡(luò)的移動機器人路徑規(guī)劃

1、基于BP神經(jīng)網(wǎng)絡(luò)的移動機器人路徑規(guī)劃朱云國,周松林(銅陵學(xué)院,安徽銅陵244000摘要:對BP神經(jīng)網(wǎng)絡(luò)算法進行了改進,克服了直接使用神經(jīng)網(wǎng)絡(luò)算法進行路徑規(guī)劃的不足之處。仿真表明,設(shè)計了附加動量項的BP神經(jīng)網(wǎng)絡(luò),能有效地提高算法的收斂速度。最后在MAT2 LAB中給出了在有靜止和運動障礙物的動態(tài)環(huán)境中路徑規(guī)劃仿真結(jié)果,結(jié)果表明此方法是可行的。關(guān)鍵詞:移動機器人;路徑規(guī)劃;BP神經(jīng)網(wǎng)絡(luò);附加動量項中圖分類號:TP183文獻標志碼:A文章編號:100320794(20070820042203P ath Planning for Mobile R obot B ased on BP N eural N

2、 etw ork AlgorithmZHU Yun-guo,ZH OU Song-lin(T ongling C ollege,T ongling244000,ChinaAbstract:Im proves the BP neural netw ork alg orithm,s o the shortage of path-planning with the BP neural netw ork alg orithm is overcomed.The simulation results indicate that on the bases of accessional m omentum m

3、ethod can efficiently im prove this alg orithm in convergence speed.At last,m obile robot dynamic path plan2 ning simulation is carried out in the environment with imm obile and m obile obstacle,the simulation result indi2 cates that the method is feasible.K ey w ords:m obile robot;path planning;BP

4、neural netw ork;accessional m omentum0引言現(xiàn)代機器人在多種行業(yè)中得到廣泛的應(yīng)用,尤其在一些工作環(huán)境惡劣,勞動強度較大的場合,機器人必將為代替人工勞動而發(fā)揮巨大的作用。路徑規(guī)劃是機器人應(yīng)用中的一項非常重要的技術(shù),是現(xiàn)代機器人控制領(lǐng)域內(nèi)的一個焦點問題,本論文主要對如何尋找到一條從起點到終點無碰撞的路徑作了研究,在機器人硬件系統(tǒng)的精度短期內(nèi)不能得到解決的情況下,對算法的研究就顯得十分重要。神經(jīng)網(wǎng)絡(luò)是由大量的處理單元廣泛互連而成的網(wǎng)絡(luò),是在現(xiàn)代神經(jīng)網(wǎng)絡(luò)科學(xué)研究成果基礎(chǔ)上提出來的。它能模擬人腦的識別、思維、認識過程,反映人腦功能的某些基本特性,但它并不是人腦的真實描

5、寫,而只是它的某種抽象、簡化與模擬。神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性超大規(guī)模的連續(xù)時間動力學(xué)系統(tǒng),其最主要的特征為連續(xù)時間非線性動力學(xué)、網(wǎng)絡(luò)的全局作用、大規(guī)模并行分布處理及高度的魯棒性和學(xué)習(xí)聯(lián)想能力,同時它又具有一般非線性動力系統(tǒng)的共性:不可預(yù)測性、吸引性、耗散性、非平衡性、不可逆性、高維性、廣泛連接性和自適應(yīng)性等。因此它實際上是一個超大規(guī)模非線性連續(xù)時間的自適應(yīng)信息處理系統(tǒng)。1帶動量項BP神經(jīng)網(wǎng)絡(luò)控制原理和結(jié)構(gòu)1.1問題的提出BP神經(jīng)網(wǎng)絡(luò)并不是一個十分完善的網(wǎng)絡(luò),它還存在著一些缺陷:(1學(xué)習(xí)收斂速度太慢,一個比較簡單的問題,有時也需要幾百次甚至上千次的學(xué)習(xí)才能收斂;(2不能保證收斂到全局最小點,

6、會出現(xiàn)局部極小值的問題;(3網(wǎng)絡(luò)隱含層的層數(shù)及隱含層的單元數(shù)的選取到現(xiàn)在為止,還沒有理論上的指導(dǎo),而是根據(jù)經(jīng)驗確定。因此,網(wǎng)絡(luò)往往有很大的冗余性,無形中增加了網(wǎng)絡(luò)的學(xué)習(xí)時間;(4網(wǎng)絡(luò)的學(xué)習(xí)、記憶具有不穩(wěn)定性。一個訓(xùn)練結(jié)束的BP網(wǎng)絡(luò),當給它提供新的記憶模式時,將使原來的連接權(quán)值被打亂,導(dǎo)致原來已經(jīng)記憶好的學(xué)習(xí)模式的信息消失。要使這種情況不出現(xiàn),就要將新的模式加在原來已經(jīng)學(xué)習(xí)過的模式一起來進行訓(xùn)練。而對于人類的大腦來說,新的信息不會影響已記憶的信息,這就是人的大腦的記憶的穩(wěn)定性。為了克服上面提到的不足,本文提出了附加動量項的BP算法。BP算法的改進主要目標是為了加快訓(xùn)練速度,避免陷入局部極小值。避

7、免網(wǎng)絡(luò)陷于局部極小值的方法主要有:模擬退火算法、遺傳算法、附加動量法,以及在訓(xùn)練模式中注入噪聲的方法,即在訓(xùn)練早期,由隨機信號發(fā)生器產(chǎn)生的噪聲可能很大,隨著訓(xùn)練的進行,噪聲漸漸減小,最終減至為零,因而算法收斂。標準的BP算法只是一種最簡單的負梯度下降的靜態(tài)尋優(yōu)算法,它的收斂速度比較慢,嚴重影響了該網(wǎng)絡(luò)在許多方面的實際應(yīng)用。由于附加動量法簡單且有效,成為研究的熱點,它將第28卷第8期2007年8月煤礦機械C oal Mine MachineryV ol128N o18Aug.2007最后一次權(quán)值變化的影響,通過一個動量因子來傳遞,促使權(quán)值的調(diào)節(jié)向著誤差曲面底部的平均方向變化,有助于使網(wǎng)絡(luò)從局部最

8、小值中跳出來。這種方法所加入的動量項實質(zhì)上相當于阻尼項,它積累了以前的學(xué)習(xí)經(jīng)驗,減小了學(xué)習(xí)過程的振蕩趨勢,改善了收斂性。本文采用這種改進型的BP算法獲得了較好的控制效果。用附加動量項的BP神經(jīng)網(wǎng)絡(luò)來對移動機器人進行路徑規(guī)劃,附加動量項BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練主要包括樣本輸入,網(wǎng)絡(luò)學(xué)習(xí)及網(wǎng)絡(luò)輸出3部分組成。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練是一個反復(fù)學(xué)習(xí)的過程,一組訓(xùn)練模式,需經(jīng)過數(shù)百次乃至上千次的學(xué)習(xí)過程才可能使網(wǎng)絡(luò)收斂,得到實驗要求的最佳模型。1.2網(wǎng)絡(luò)結(jié)構(gòu)的確定BP神經(jīng)網(wǎng)絡(luò)的輸入層起緩沖存儲器的作用,把數(shù)據(jù)源加到網(wǎng)絡(luò)上。其節(jié)點數(shù)目取決于數(shù)據(jù)源的維數(shù),即輸入特征向量的維數(shù)。選擇特征向量時,要考慮到應(yīng)選的向量是否完全

9、描述了事物的本質(zhì)特征。如果特征向量不能有效地表達事物的特征,網(wǎng)絡(luò)經(jīng)訓(xùn)練后的輸出可能與實際有較大的誤差。當然,特征向量的選取并不是維數(shù)越多越好,輸入特征向量維數(shù)的增多,將使網(wǎng)絡(luò)的計算量呈指數(shù)增長,會導(dǎo)致組合爆炸。所以,在選取特征向量時,應(yīng)從實際出發(fā),適當?shù)剡x取最能表現(xiàn)事物本質(zhì)的那些特征。良好的特征應(yīng)該具有以下4個特點:可區(qū)別性、可靠性、獨立性、數(shù)量少。輸出層節(jié)點數(shù)的確定,有一定的規(guī)律可循:(1當模式類別較少時,輸出層節(jié)點數(shù)等于模式類別數(shù),m類的輸出用m個輸出單元,每個輸出節(jié)點對應(yīng)一個模式類別,即當某輸出節(jié)點值為1,其余輸出節(jié)點值均為0時,對應(yīng)輸入為某一特定模式類的樣本。(2當模式類別較多時,用輸

10、出節(jié)點的編碼表示各模式類別,即m類的輸出只要log2m個輸出單元即可。隱含層起抽象的作用,即它能從輸入提取特征。增加隱含層可以增強神經(jīng)網(wǎng)絡(luò)的處理能力,但會使網(wǎng)絡(luò)訓(xùn)練復(fù)雜化、訓(xùn)練樣本數(shù)目增加和訓(xùn)練時間增長。一般說來,開始設(shè)置一個隱含層,然后按需要再增加隱含層數(shù)。本文根據(jù)實際情況,設(shè)計了有1個輸入層、1個隱含層、1個輸出層的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其中輸入層中有3個神經(jīng)元,分別為左、前、右3個方向的障礙物到移動機器人的距離(分別是機器人3組傳感器所測數(shù)據(jù)進行融合后的結(jié)果作為輸入;隱含層有6個神經(jīng)元(網(wǎng)絡(luò)隱含層的層數(shù)及隱含層的單元數(shù)的選取沒有理論指導(dǎo),只能按實驗結(jié)果確定;輸出層有2個輸出(分別控制機器

11、人的運行速度和偏轉(zhuǎn)方向。建立神經(jīng)網(wǎng)絡(luò),并在M A T LA B中進行仿真。2神經(jīng)網(wǎng)絡(luò)參數(shù)的確定(1樣本數(shù)量樣本數(shù)量是影響神經(jīng)網(wǎng)絡(luò)將來路徑規(guī)劃效果的一個重要因素。神經(jīng)網(wǎng)絡(luò)的最大特點是學(xué)習(xí)能力,通過某種學(xué)習(xí)方法將某方面的信息存儲起來,并調(diào)整它內(nèi)部的參數(shù),完成特定的路徑規(guī)劃目的,所以,如果訓(xùn)練樣本集非常多且能夠較全面反映規(guī)劃路徑所需要的信息,經(jīng)過學(xué)習(xí)后,路徑規(guī)劃效果肯定好,如果訓(xùn)練樣本較少,且結(jié)構(gòu)單一,則路徑規(guī)劃的效果必定會變差,甚至有碰撞的危險。本文所選用的訓(xùn)練樣本是根據(jù)人行走的經(jīng)驗得到速度和偏轉(zhuǎn)角。總的訓(xùn)練樣本的個數(shù)為6個。初始權(quán)值選為由MAT2 LAB中rand函數(shù)所產(chǎn)生的隨機數(shù);期望誤差值選

12、取010001;訓(xùn)練次數(shù)為小于1500次。(2學(xué)習(xí)速率、動量項因為網(wǎng)絡(luò)的改進與學(xué)習(xí)速率、動量項的選取有密切關(guān)系,在實驗中重點對它們進行了分析,在一定范圍內(nèi),學(xué)習(xí)速率大時,迭代次數(shù)會減小,誤差收斂速度快。但超過一定值時,誤差曲線會出現(xiàn)振蕩甚至發(fā)散,達不到所要求的控制誤差效果。動量項與誤差及迭代次數(shù)也有類似的關(guān)系。在本控制系統(tǒng)中采用的學(xué)習(xí)速率為014,動量項為012。經(jīng)過多次實驗結(jié)果令人滿意,使誤差得到了較好的收斂,并且迭代次數(shù)較少。圖1是學(xué)習(xí)率為014動量項為0時的誤差收斂示意圖,達到期望誤差值時迭代次數(shù)為773次,收斂較慢。圖2是學(xué)習(xí)率為014,動量項為012時的誤差收斂曲線示意圖,達到期望誤

13、差值時迭代次數(shù)為280次,收斂較快 。圖1附加動量項為0 時的誤差收斂曲線圖2附加動量項為012時的誤差收斂曲線3仿真結(jié)果建立機器人運行的不確定環(huán)境,起點定在(5, 5,終點定在(50,50,將點(10,9,(18,20,(25, 25,(32,29,(40,42,(45,43分別設(shè)為靜態(tài)障礙第28卷第8期基于BP神經(jīng)網(wǎng)絡(luò)的移動機器人路徑規(guī)劃朱云國,等V ol128N o18旋轉(zhuǎn)沖擊式井下煤矸分離可行性研究丁開旭1,張志高2,張建臣3(1.中國礦業(yè)大學(xué)機電學(xué)院,江蘇徐州221008; 2.新汶礦業(yè)集團良莊煤礦,山東泰安271000;3.神火集團煤電公司,河南商丘476000摘要:隨著采煤機械化

14、程度的日益提高,煤中混入矸石量逐漸增加,在地面分選,造成環(huán)境污染,占用農(nóng)田、增加成本。介紹一種新型的井下煤矸分離方法,根據(jù)煤矸硬度、破碎力不同,采用旋轉(zhuǎn)沖擊方式對煤矸進行打擊,從而達到煤矸分離的目的。關(guān)鍵詞:煤矸分離;沖擊破碎;選擇性破碎中圖分類號:T D451文獻標志碼:A 文章編號:100320794(20070820044202Feasibility Study of R otating -impact Method of Coal -gangueSeparation U nderground -w ellDING K ai -xu 1,ZH ANG Zhi -gao 2,ZH ANG

15、Jian -chen3(1.C ollege of Mechanical and E lectrical Engineering of China University of M ining &T echnology ,Xuzhou 221008,China ;2.Liangzhuang C oal M ine of X inwen Liability C om pany ,T ai an 271000,China ;3.Shenhuo G roup E lectric C oal Liability C om pany ,Shangqiu 476000,China Abstract

16、:As the increase in mechanization of the shearer ,the discard in the coal is gradual increasing.Sepa 2rating on the ground ,made environmental pollution and occupancied farmland and raised cost.One new under 2ground separating method is introduced.According to the difference of the coal gangue hardn

17、ess and crushing force ,adopted rotating im pact method to the coal gangue ,s o that separated the coal and the coal gangue.K ey w ords :coal -gangue separation ;im pact crushing ;selected crushing0引言隨著采煤機械化程度的日益提高,煤中混入矸石量逐漸增加,特別是夾矸層,這不僅給預(yù)先篩分、手選及破碎等其他作業(yè)造成困難,而且大量塊矸石進入選煤作業(yè),直接影響選煤操作,不利于產(chǎn)品質(zhì)量的提高。同時,大量矸石堆

18、積在地面上污染環(huán)境。因此,當煤中夾矸含量較大時,采用機械的方式,在井下預(yù)先清除大部分的矸石,對于解放勞動力,提高物,即圖中的小圓圈。然后利用附加動量項的BP 神經(jīng)網(wǎng)絡(luò)在MAT LAB 中進行仿真實驗,在不確定環(huán)境中仿真的行駛路徑如圖3所示,從圖3中可以看出機器人能合理地躲避路障并到達目標點 。圖3 靜態(tài)障礙物環(huán)境的路徑規(guī)劃圖圖4動態(tài)障礙物環(huán)境的路徑規(guī)劃圖當障礙物為運動的障礙物時,如圖4所示,起點定在(5,5,終點定在(50,50,設(shè)障礙物從點(25,10出發(fā),以速度013m s 垂直向上運動。從圖4中可以看出,機器人對障礙物采取了避讓動作。圖中的交叉點是機器人與障礙物在不同的時刻留下的軌跡。仿真結(jié)果表明,應(yīng)用本文所述方法,對不確定環(huán)境中的靜態(tài)障礙物、動態(tài)障礙物都可以很好地避障與規(guī)劃路徑。參考文獻:1李慧,楊東梅,沈潔,等.BP 神經(jīng)網(wǎng)絡(luò)在路徑規(guī)劃中的應(yīng)用J .應(yīng)用科技,20